Um estudo quase experimental com 62 universitários de duas instituições públicas da Nigéria testou o uso do Google Gemini dentro de uma abordagem de aprendizagem baseada em problemas para ensinar programação Java. A intervenção mostrou forte impacto sobre habilidades de programação, especialmente entre estudantes com maior desempenho acadêmico prévio, mas não gerou ganhos significativos em pensamento crítico ou resolução de problemas, um achado relevante para cursos que buscam adotar IA generativa sem enfraquecer a aprendizagem conceitual.

O QUE HÁ DE NOVO: Pesquisadores avaliaram, em contexto de ensino superior e em um país em desenvolvimento, se a combinação entre inteligência artificial generativa e aprendizagem baseada em problemas poderia superar uma versão semelhante apoiada por vídeos instrucionais. O estudo envolveu alunos de um curso inicial de programação em Java, disciplina prevista para formação em ciência da computação em universidades nigerianas, divididos em um grupo com PBL e Google Gemini, com 25 participantes, e outro com PBL e videoaulas, com 37 participantes.

COMO FUNCIONA: A intervenção durou seis semanas e manteve o mesmo conteúdo curricular para os dois grupos. No grupo com IA, o Gemini foi usado como assistente de aprendizagem para apoiar geração de algoritmos, depuração de código, validação de lógica, sugestões de melhoria e testes de pequenos programas. No grupo de comparação, os estudantes trabalharam com vídeos selecionados sobre os mesmos tópicos de Java, seguidos de discussões, exercícios em grupo e orientação de instrutores.

As atividades seguiram uma sequência progressiva: orientação e pré-testes na primeira semana; desenho de algoritmos; estruturação e depuração de programas; testes e simulações; desenvolvimento de aplicações simples, como calculadoras, sistemas de notas ou interfaces de login; e avaliação final com revisão por pares. Os resultados foram medidos por instrumentos validados para habilidades de programação, pensamento crítico, resolução de problemas e capacidade acadêmica, com análise estatística controlando o desempenho inicial dos estudantes.

PRINCIPAIS RESULTADOS: O grupo que utilizou IA teve desempenho ajustado muito superior em programação: média de 170,93 pontos, contra 145,37 no grupo com vídeos, uma diferença de cerca de 25,6 pontos. A análise multivariada indicou efeito significativo da estratégia de ensino sobre o conjunto dos resultados, explicando 43,4% da variância, e a análise específica de programação confirmou um efeito grande. Já em pensamento crítico e resolução de problemas, as diferenças entre os grupos não foram estatisticamente significativas; em alguns indicadores descritivos, o grupo com vídeos apareceu ligeiramente à frente, mas sem força suficiente para sustentar uma conclusão de superioridade.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: O achado reforça uma distinção central para gestores, professores e formuladores de currículo: IA generativa pode acelerar a prática técnica em programação ao oferecer feedback imediato, exemplos, correções e caminhos alternativos, mas isso não garante, por si só, avanços em capacidades mais profundas, como argumentar, decompor problemas e justificar decisões. Para a sala de aula, a implicação é que ferramentas como o Gemini tendem a funcionar melhor quando incorporadas a tarefas que exigem explicação, comparação de soluções e reflexão sobre erros, e não apenas produção rápida de código.

Para o trabalho docente, a pesquisa sugere que a IA pode atuar como apoio em ambientes com turmas grandes, poucos recursos ou menor disponibilidade de tutoria individual, desde que o professor mantenha controle pedagógico sobre o processo. Para políticas públicas e instituições, o estudo aponta oportunidades de ampliar competências digitais e empregabilidade em cursos de computação, mas também evidencia um risco de equidade: estudantes com maior capacidade acadêmica prévia se beneficiaram mais da integração com IA, o que pode ampliar diferenças se não houver orientação específica para alunos que precisam de mais estrutura.

LIMITES E CUIDADOS: A evidência deve ser interpretada com cautela. O estudo não teve distribuição aleatória dos participantes, trabalhou com uma amostra pequena e concentrada em duas universidades, durou apenas seis semanas e avaliou parte dos construtos por autorrelato, fatores que reduzem a generalização dos resultados. Além disso, os próprios achados sugerem um possível efeito colateral: quando a IA entrega código funcional ou explicações prontas, alguns estudantes podem priorizar a eficiência da resposta em vez de compreender os princípios de depuração, lógica e tomada de decisão.

Os próximos passos indicados passam por pesquisas mais longas, com desenho experimental mais robusto, amostras maiores e diferentes contextos educacionais. Também será importante investigar qualitativamente como os estudantes interagem com a IA durante a resolução de problemas: se usam a ferramenta para pensar melhor, testar hipóteses e revisar raciocínios, ou se apenas delegam etapas essenciais da aprendizagem. Para instituições que planejam adotar IA em programação, a mensagem é pragmática: a tecnologia pode melhorar desempenho técnico, mas precisa ser acompanhada de desenho pedagógico explícito para desenvolver pensamento crítico.

Fonte: Fostering programming skill and critical thinking through AI-assisted PBL integration